Innovationen für verantwortungsvolles Machine Learning in Azure Machine Learning

Wenn Unternehmen KI-Ansätze (Künstliche Intelligenz) in die firmeneigenen Prozesse integrieren möchten, werden sie beim verantwortungsbewussten Entwickeln und Verwenden von KI-Funktionen mit vielen Herausforderungen konfrontiert. In Zusammenarbeit mit dem Aether Committee und dessen Arbeitsgruppen setzt Microsoft die neuesten Forschungsergebnisse im Bereich „Verantwortungsvolle KI“ in Azure um, um Unternehmen bei der Bewältigung dieser Herausforderungen zu unterstützen. Die neuen Funktionen für verantwortungsvolles ML in Azure Machine Learning und unsere Open-Source-Toolkits können Data Scientists und Entwickler dabei unterstützen, Machine Learning-Modelle zu interpretieren, Menschen und ihre Daten zu schützen und den gesamten Machine-Learning-Prozess zu kontrollieren. 

• Interpretieren: Mithilfe der Modellinterpretation in Azure Machine Learning und der Fairnessbewertung und -anpassung durch Fairlearn können Sie genauere und fairere Modelle entwickeln. 
• Schützen: Das neue WhiteNoise-Toolkit für Differencial Privacy kann in Kombination mit Azure Machine Learning verwendet werden, um Machine Learning-Modelle auf Grundlage vertraulicher Daten zu entwickeln und dabei die Privatsphäre einzelner Personen zu schützen. Diese Möglichkeit ist das Ergebnis der Partnerschaft zwischen Microsoft und den Harvard-Forschern am Institute for Quantitative Social Science und an der School of Engineering. Durch diese zuverlässigen Machine-Learning-Funktionen können die Data-Science-Teams bei Microsoft auch Modelle mit vertraulichen Daten in einer sicheren Umgebung erstellen, ohne die Daten einsehen zu dürfen. Diese zuverlässigen Machine-Learning-Funktionen werden noch in diesem Jahr allen Entwicklern und Data Scientists zur Verfügung gestellt. 
• Kontrollieren: Azure Machine Learning bietet Funktionen zum automatischen Nachverfolgen der Datenherkunft und zum Speichern eines Überwachungsprotokolls für Machine-Learning-Ressourcen, um gesetzliche Vorschriften zu erfüllen. Mithilfe von Datenblättern können Sie Machine-Learning-Ressourcen standardisiert dokumentieren und Data Scientists, Prüfern und Entscheidungsträgern die nötige Transparenz bieten. Entwickler und Data Scientists können ab heute benutzerdefinierte Tags in Azure Machine Learning verwenden, um Datenblätter für Modelle zu implementieren.

Diese Innovationen für Azure Machine Learning und das Open-Source-Toolkit basieren auf jahrzehntelanger Forschung und bieten Organisationen eine breite Funktionspalette für die verantwortungsvolle Entwicklung von KI-Lösungen.

Weitere Informationen.